- 博客(3)
- 收藏
- 关注
RSS订阅原创 机器学习基本方法
举个简单的例子，比如在一个总样本中，正样本占90%，负样本占10%，样本是严重不平衡的。对于这种情况，我们只需要将全部样本预测为正样本即可得到90%的高准确率，但实际上我们并没有很用心的分类，只是随便无脑一分而已。如果这些样本点以（x，y）这样输入，输出二元组的形式出现（有数据标签），那么就可以采用监督学习的算法。训练集增加更多的数据；验证集评估出来的效果并非模型的最终效果，主要是用来调整超参数的，模型最终效果以测试集的评估结果为准。模型的复杂度太高（比如隐藏层层数设置的过多，神经元的数量设置的过大）；
2024-09-17 15:16:30
775
原创 机器学习中的统计学习理论
（3）算法复杂性与过拟合：随着算法复杂性的增加，虽能拟合更复杂的数据，但过拟合风险也增大，导致泛化能力下降，需通过正则化等技术平衡。（3）交叉验证验证假设：:通过交叉验证技术，如K折交叉验证，可以评估模型假设在不同数据集上的泛化能力，确保模型假设的稳健性。2.交叉验证防过拟合：通过交叉验证将数据集分割成训练集和测试集，评估模型在未见数据上的性能，减少过拟合，选择更泛化的模型。1.交叉验证避免过拟合：交叉验证通过多次分割数据训练和测试模型，有效评估模型的泛化能力，避免选择过度拟合训练数据的模型。
2024-09-07 15:49:35
1064
1
原创 机器学习算法与流程
分类算法包括预测和描述两种，经过训练集学习的预测模型在遇到未知记录时，应用规则对其进行类别划分，而描述型的分类主要对现有数据集中特征进行解释并进行区分，例如对动植物的各项特征进行描述，并进行标记分类，由这些特征来决定其属于哪一类目。深度学习包括了卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）、对抗神经网络（GAN）、深度学习中训练集、开发集、测试集的样本比例一般为6:2:2、7:2:1、8:1:1。模型的输入时某个样本的特征，函数的输出是这一样本的标签。3、机器学习方法的选择。
2024-09-07 15:14:53
1039
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人